Microsoft enseña a ordenadores a entender causa y efecto

Los sistemas de Inteligencia Artificial no son todavía demasiado buenos en ello, pero si se consigue una mejora sustancial que puede redundar en conseguir que las herramientas que emplean IA puedan ayudar a los humanos a que tomen decisiones mejores.

Par ello, los sistemas deben comprender por qué hay diversos factores que ayudan a la gente a tomar una u otra decisión. Por ejemplo, que si hace calor y una persona quiere refrescarse y tiene hambre es probable que compre un helado. O que si una persona tiene una enfermedad concreta pero unas características determinadas, tanto físicas como psicológicas, puede que sea mejor aplicarle un tratamiento determinado, y más adecuado para sus circunstancias personales que el general y más habitual.

Por eso, lo que quiere hacer los de Redmond es enseñar a un sistema de Inteligencia Artificial a decidir cuál es la mejor pregunta que debe hacer a continuación en función de lo sucedido o las respuestas de las preguntas previas. De esta manera mejorará la toma de decisiones, según Cheng Zhang, Directora de investigación de Microsoft.

Zhang apunta: «digamos que quieres valorar algo, o conseguir información sobre cómo diagnosticar algo o clasificar un elemento de manera adecuada: la manera de hacerlo es lo que yo llamo Mejor Siguiente Pregunta. Pero si quieres hacer algo, quieres hacerlo mejor. Quieres dar a los estudiantes nuevo material para que puedan aprender mejor, y quieres dar a un paciente un tratamiento para que mejore. Lo llamo la Mejor Acción Siguiente. Y para todo esto es importante tanto la escalabilidad como la personalización«.

Para avanzar en este aspecto, Zhang y su equipo han desarrollado una API de optimización de decisión, que combina distintos tipos de machine learning para gestionar ambos tipos de decisiones en lo que llama inferencia causal de extremo a extremo. Esta investigadora señala que cree que son «el primer equipo del mundo en cubrir el descubrimiento causal, la inferencia causal y el deep learning al mismo tiempo. Permitimos que un usuario que tiene datos descubra la relación entre todas estas variables, como cuál llama a cuál. Y después comprendemos su relación. Por ejemplo, cómo cuánta dosis de la medicina que diste mejoró la salud de alguien, cuánto aumentará un tema la comprensión general de un estudiante«.

La investigadora ha señalado que en sus investigaciones utilizan «deep learning para responder a preguntar causales, sugerir cuál puede ser la mejor siguiente acción, de manera realmente escalable, que pueda utilizarse en el mundo real«.

Las empresas emplean pruebas AB de manera rutinaria para guiar sus decisiones importantes, pero Zhang señala que tiene limitaciones, porque «solo puedes hacerlo a alto nivel, no a nivel individual. Puedes saber que para una población concreta, en general, el tratamiento A es mejor que el B, pero no puedes decir cuál es mejor para cada individuo. Algunas veces es extremadamente caro y lleva mucho tiempo, y en algunos casos no puedes hacerlo en absoluto. Lo que estamos intentando hacer es sustituir las pruebas AB«.

Causa efecto con Best Next Question

La API que permite hacerlo, llamada Best Next Question, está disponible en fase de prueba privada en Azure Marketplace, por lo que las organizaciones que quieran utilizar el servicio tienen que contactar antes con Microsoft. Para científicos de datos y expertos en machine learning, el servicio estará disponible o bien a través de Azure Marketplace o como opción en Azure Machine Learning. Posiblemente, también como uno de los servicios cognitivos empaquetados, preparados tal como Microsoft ofrece servicios como traducción y reconocimiento de imagen. Su nombre también podría cambiar para adoptar una denominación más descriptiva, y señalar que es capaz de realizar la optimización de la toma de decisiones.

Microsoft ya está explorando su uso interno para ventas y marketing, empezando por los distintos programas de partners que ofrece. Los investigadores también están viendo cómo podrá utilizarse en Microsoft Viva, para lo que están trabajando con su equipo. Y según Zhang, tienen «muchos programas de interacción para ayudar a los partners de Microsoft a crecer». Pero lo que realmente quieren es «descubrir qué tipo de programa de interacción es el tratamiento que ayuda a un partner a crecer más. Por eso es una pregunta causal, y necesitamos hacerlo de manera personalizada«.

«Queremos que el entrenamiento sea un escenario personalizado: queremos que a la gente se la enseñe con el material que les ayude más en su trabajo. Queremos que la gente tenga una manera intuitiva de utilizarlo. No queremos que la gente tenga que ser experta en ciencia de datos para ello. Antes de finales de año vamos a lanzar una versión de demostración para inferencia causal de extremo a extremo«.

Esta investigadora señala que, a largo plazo, los usuarios profesionales y de empresa sacarán más ventajas a los sistemas que ya usan, como Microsoft Dynamic y la plataforma Power, gracias a esto. «La gente que toma decisiones generales necesita que sea algo muy visual: una interfaz no-code donde cargo los datos, hago click en un botón y veo cuál es la información«.

Una vez se consigue la Inteligencia Artificial causal, se puede desarrollar un sistema con corrección en ambas direcciones, en el que los humanos enseñan a la IA lo que saben sobre causa y efecto, y la IA puede comprobar si es verdad. Zhang señala que «si usamos los datos, descubrimos la relación causal y se la mostramos a los humanos«.

Pero conseguir un razonamiento causal de extremo a extremo es solo un primer paso. Todavía hay mucho trabajo por hacer para que sea tan fiable y preciso como sea posible. Y Zhang está encantada del potencial que tiene: «el 40% de los trabajos de nuestra sociedad tienen que ver con la toma de decisiones, y necesitamos tomar decisiones de alta calidad. Nuestro objetivo es utilizar la Inteligencia Artificial para ayudar en la toma de decisiones«.